DriverDisassociated|Lostexecutor

昨天在Spark Sql上执行几条涉及数据量几百G的Sql语句时频繁失败，日志中出现大量以下错误：

ERROR executor.CoarseGrainedExecutorBackend: Driver Disassociated [akka.tcp://sparkExecutor@ip-10-0-20-22:62262] -> [akka.tcp://sparkDriver@ip-10-0-20-30:14214] disassociated! Shutting down.

ERROR cluster.YarnClusterScheduler: Lost executor 124 on ip-10-0-20-22: remote Akka client disassociated

随后，ssh到10.0.20.22上看yarn的NodeManager的日志，发现下面这条日志:

INFO org.apache.hadoop.yarn.server.nodemanager.NMAuditLogger: USER=root OPERATION=Container Finished - Killed   TARGET=ContainerImpl    RESULT=SUCCESS  APPID=application_1428571334989_100355  CONTAINERID=container_1428571334989_100355_01_000281

从这条日志可以看出，该Container被yarn kill了（RESULT=SUCCESS不准确）

这个错误有以下特点：

1. 只有数据量几百G的sql查询才会失败
2. application的非常多的container被kill

结合以上特点，推断可能是oom（out of memory）了，但日志中又没有看到oom的报错且container是被yarn kill了，进一步推断可能是executor使用的内存超过了配置的值（通过spark.executor.memory设置），并且超出使用的内存量超过了spark.yarn.driver.memoryOverhead的值。

尝试将spark.yarn.driver.memoryOverhead调大至10G，执行原来失败的语句，成功，问题解决（如果是executor内存超了，相应调大spark.yarn.excutor.memoryOverhead的值）。

如果你遇到Driver Disassociated的问题，还有一个原因可能是executor连不上Driver，可能是网络问题或者host配置问题，这时你需要确认报错的container是否能连上Driver